적응형 추천 모델의 이질성 품질 평판 분석

초록

본 논문은 에이전트 기반 시뮬레이션을 통해 Medo 등(2009)의 전염병‑유사 뉴스 전파 모델을 확장한다. 사용자의 이질성, 품질, 평판이 네트워크 내 ‘좋은 것이 부유하게 된다’ 현상에 미치는 영향을 규명하고, 악성 스팸 행위에 대한 내성을 평가한다. 평판을 추천 과정에 통합하면 필터링 효율과 시스템 안정성이 크게 향상됨을 보인다.

상세 분석

이 연구는 기존의 적응형 뉴스 추천 모델을 정량적으로 평가하기 위해 다중 에이전트 시뮬레이션 프레임워크를 구축하였다. 모델의 핵심은 사용자 간의 팔로우 관계를 기반으로 한 ‘전염병‑유사’ 확산 메커니즘으로, 사용자는 자신이 선호하는 뉴스에 ‘좋아요’를 누르면 해당 뉴스가 팔로워에게 전파된다. 논문은 먼저 사용자 특성을 세 가지 차원(이질성, 품질, 평판)으로 정의한다. 이질성은 사용자가 선호하는 주제의 다양성 및 네트워크 내 연결 구조의 비균등성을 의미하며, 품질은 사용자가 생산하거나 평가하는 콘텐츠의 객관적 가치를, 평판은 과거 행동(예: 스팸 여부, 정확한 평가)에 기반한 신뢰 점수를 나타낸다.

시뮬레이션에서는 ‘좋은 것이 부유하게 된다(good‑get‑richer)’ 현상을 관찰한다. 즉, 높은 품질·평판을 가진 사용자는 더 많은 팔로워를 확보하고, 그 결과 그들의 뉴스가 네트워크 전반에 빠르게 퍼진다. 이를 정량화하기 위해 네트워크 중심성(연결 중심성, 매개 중심성)과 추천 성공률(사용자가 실제로 클릭·수용한 뉴스 비율)을 동시에 측정하였다. 결과는 품질이 높은 사용자가 초기 연결 수가 적더라도 평판 점수가 충분히 높으면 빠르게 영향력을 확대한다는 것을 보여준다. 반면, 이질성이 과도하게 높을 경우(즉, 매우 특수한 주제에만 집중) 네트워크 내 확산이 제한되어 ‘좋은 것이 부유하게 된다’ 효과가 약화된다.

악성 및 스팸 행위에 대한 내성 검증에서는 두 가지 공격 시나리오를 설정하였다. 첫째, 무작위 스팸 사용자들이 대량의 저품질 뉴스를 전파하는 경우; 둘째, 협조적 스팸 집단이 서로를 과대평가해 평판을 인위적으로 상승시키는 경우이다. 평판 기반 필터링을 도입하지 않은 원본 모델은 두 시나리오 모두에서 추천 정확도가 급격히 저하되었다. 그러나 평판 점수를 가중치로 적용한 확장 모델은 스팸 뉴스가 전파되는 경로를 효과적으로 차단하고, 정상 사용자의 뉴스가 우선적으로 전파되도록 조정하였다. 특히, 평판 가중치를 0.6 이상으로 설정했을 때 전체 시스템의 평균 정밀도와 재현율이 20 % 이상 개선되는 결과가 나타났다.

마지막으로, 모델의 파라미터 민감도 분석을 수행하였다. 전파 확산 확률, 사용자 활동 빈도, 평판 업데이트 주기 등 주요 파라미터를 변동시켰을 때 시스템 안정성 및 효율성에 미치는 영향을 정량화하였다. 전반적으로 평판 업데이트 주기가 짧을수록(즉, 실시간에 가깝게 평판을 반영할수록) 악성 행위에 대한 억제 효과가 크게 증가했으며, 확산 확률이 과도하게 높을 경우 스팸이 급속히 퍼지는 위험이 존재함을 확인하였다. 이러한 결과는 실제 온라인 플랫폼에서 실시간 평판 관리와 적절한 전파 제어 메커니즘이 필수적임을 시사한다.